基于AR参数的液压阀故障信号检测

吴文兵，黄宜坚

(1．福州外语外贸学院计算机系，福建 福州 350018;2．厦门大学信息科技学院，福建 厦门 361000;3．华侨大学机电工程学院，福建 泉州 362021)

1 前言

最小二乘支持向量机较好地解决了小样本、高维数、非线性、局部极小点等问题。本文通过采集溢流阀在正常状态和故障状态下的信号，并在此基础上进行了AR建模，根据建立的模型获取了AR参数，并将这些参数作为支持向量机的输入，进行故障识别，取得了良好效果。

2 溢流阀工作原理

先导型溢流阀由主阀和导阀两部分构成。主阀用来控制溢流流量，以保持系统压力恒定;导阀用来调定主阀部分的溢流压力。压力油由溢流阀进油口进入主阀下腔，经主阀芯上的阻尼孔流入主阀上腔，再流经通道a，当系统压力大于等于调压弹簧预调压力F1时，锥阀左移，先导阀打开，部分压力油经通道b流入主阀芯中间的通道，再经溢流口流回油箱。油液流经阻尼孔时会在阻尼孔两端(即主阀上下腔)产生压力差P。当压力差P大于等于主阀弹簧力F2时，主阀芯向上提升，阀口打开，将多余的油从溢油腔溢回油箱。主阀溢流量的多少是由主阀芯开口大小来确定，由主阀芯上下腔(即阻尼孔两端)的油液压力差确定主阀芯开口量。当流经阻尼孔的流量增大时，阻尼孔两端产生的压力差P就会增大，主阀芯的开口量也就随着增大。反之，当流经阻尼孔的流量减少时，阻尼孔两端产生的压力差P就会减小，主阀芯的开口量也就随着减小。溢流阀结构如图1所示。

当内部主阀弹簧损坏，阻尼孔受阻，先导阀弹簧损坏，或进油口有异物、出现漏油现象，都会使得溢流阀产生故障，无法正常起作用。为了获取溢流阀故障状态下的信号，本次动态测试实验特设置了使主阀弹簧先导阀弹簧变形的故障，试验共采集了正常数据和故障数据各13组。

图1 溢流阀结构图

3 数据采集与动态测试程序

振动信号的采集和处理使用的软件是Lab-VIEW。实验动态测试系统的LabVIEW程序如图2所示。利用LabVIEW及PCI－6014的数据采集卡和一个加速度传感器，依次采集液流阀在正常和故障状态下的振动信号。在测试过程中，采样频率设为1 024 Hz，读取频率为512 Hz。实验数据采集程序后面板如图3所示。由于测试过程中系统外部和内部各种因素的影响必然在输出过程中夹杂着许多不需要的成分，这样就需要对所获得的数据进行预处理，剔除混杂在信号中的干扰噪声。本文采用中值法对采集的振动信号进行预处理。进行数据处理时对每组采集到的数据使用了1024个数据点。预处理后的数据如图4所示。

图4 预处理后数据图

4 AR模型

若时间序列{xt}满足如下的随机差分方程:

式中，{at}为具有零均值和方差的平稳白噪声序列，φ1，φ2，…，φp≠0，则称此时间序列{xt}为p阶自回归时间序列，记为AR(p)，φ1，φ2，…，φp为自回归系数。AR模型记为

参数估计是指根据预处理后时序{xt}按某一方法估计出φ1，φ2，…，φn和这n+1个参数，由

一旦估计出φi(i=1，2，…，n)，即可按上式估计出。

由最小二乘估计法则称此

将时间序列{xt}直接代入式(1)，得以下线性方程组:

用矩阵形式表示为

Y=XΨ+α

式中，

根据多元回归理论，参数矩阵Ψ的最小二乘估计为

5 LS－SVM原理

LS－SVM方法采用最小二乘线性系统作为损失函数，寻优目标函数为

其约束条件为

式中，γ为惩罚因子;ei为每一个样本点给定的误差量，定义如下Lagrange函数

式中，αi∈R为Lagrange乘子。为求式(2)的最小值，将其对 w，b，ei，αi分别求偏导，并令其等于0，即

式中，Z=［Φ(x1)Ty1;Φ(x2)Ty2;…;Φ(xn)Tyn］，Y=［y1;y2; …;yn］，e=［e1;e2;…;en］，α =［α1; α2; …; αn］，1v=［1;1;…;1］。若选取核函数，K(xi，xj)=Φ(xi)TΦ(xj)，(i，j=1，2，…，n)最终得到的 LSSVM最优分类决策函数为

式中，αi，b是线性方程组(1)的解。由于径向基核函数学习能力较强，本文选用该函数对溢流阀故障进行识别，该函数表达式为

6 实验结果分析

首先根据测量到的26组数据，分别计算出这些数据项对应的AR参数，如表1所示。本文由奇异值定阶法得出的AR模型阶数为12，取每组数据的AR参数的前8个进行故障识别，并分别将正常状态和故障状态编码为1和－1，识别时分别在表1的正常数据和故障数据中取出相对应的3组数据对所建立的最小二乘支持向量机进行训练，训练结束后再利用该支持向量机进行故障识别，经过参数寻优取γ=79、σ2=0.71，模拟结果如图5所示。结果表明，在26组数据中，只在故障状态有1组没能正确识别，总体正确识别率超过95%，表明本文所提出的故障识别方法是切实可行的。

表1 溢流阀AR参数表

图5 模拟结果图

7 总结

本文通过建立AR模型，获取了AR参数，并将这些参数作为LSSVM的输入，对溢流阀的故障进行了检测，并取得了良好效果，证明AR参数确实反应了信号的特征，使得正常信号和故障信号得以区分开来，也证明本文的故障诊断方法是切实可行的。

［1］ 刘君华，贾惠芹，丁晖．虚拟仪器图形化编程语言LabVIEW教程［M］．西安:西安电子科大学出版社，2001:3－4．

［2］ 张利平．液压阀原理、使用与维护［M］．北京:化学工业出版社，2005:146－204．

［3］ 蒋雨燕，黄宜坚．调速阀故障诊断的AR双谱定阶方法比较［J］．华侨大学学报，2009，(2)．

［4］ 张贤达．时间序列分析［M］．北京:清华大学出版社，1996，4．

［5］ 谢晓燕．神经网络［M］．西安:西安电子科技大学出版社，2007:100－300．

［6］ Chuan Li，Shilong Wang，Xianming Zhang．Soft Sensor Modeling for Vacuum Purification Machine Based on Lssvm［J］．Journal of Advanced Manufacturing Systems(JAMS)2008，(6):141－144．

［7］ 吴一全，罗子娟．基于最小二乘支持向量机时域背景预测的红外弱小目标检测［J］．兵工学报，2010，(6)．

［8］ 李中原．基于支持向量机的控制系统故障诊断研究［J］．中国测试，2009，(11)．